【虹科动态】具身智能 Sim2Real 虚实迁移：机器人仿真训练落地解决方案

2026-07-27

当机器人开始走进工厂、商超、服务等真实场景，”会动“已经不够，”会理解、会决策、会适应“才是真正的竞争力。近日，虹科CEO陈秋苑女士带队探访具身智能企业跨维智能，围绕世界模型、生成式仿真、机器人商业化落地等话题展开深入交流，了解机器人如何先在仿真世界中训练，再逐步走向真实产业场景。

引言

近两年，具身智能（Embodied AI）逐渐成为人工智能产业最热门的话题之一。从工业制造、仓储物流，再到商业服务和家庭机器人，我们期待机器人能够真正走进现实世界，完成越来越复杂的工作。然而，当机器人开始面对真实环境时，新的挑战也随之出现。

现实世界并不像实验室那样标准化，物体的位置会变化，人与环境会不断交互，各种无法提前预料的”长尾场景”层出不穷。如果机器人仍然依赖传统的人工示教和真机训练，不仅训练成本高、周期长，也很难具备真正的泛化能力。

一个行业共识正在形成：机器人未来的竞争，不只是掌握更多动作，而是能否感知环境、理解任务，并适应真实世界的变化。

近日，虹科CEO陈秋苑女士带队探访具身智能企业跨维智能，围绕世界模型、生成式仿真、机器人商业化落地等话题展开深入交流，了解机器人如何先在仿真世界中训练，再逐步走向真实产业场景。

具身智能从数字走向现实

走进跨维智能：从仿真训练到机器人本体

跨维智能成立于2021年（前身是2016年成立的几何感知与智能实验室），由香港中文大学（深圳）终身教授贾奎创立，是国内最早系统性研究物理AGI与三维具身智能的团队之一。

经过几年发展，公司已从一家前沿算法研究机构，成长为拥有全栈自研软硬件产品矩阵的具身智能行业领军企业。跨维在2026年6月已完成10亿元B轮融资，估值突破100亿，正稳步推进IPO进程。

走进跨维智能的展厅，虹科看到的不只是一台人形机器人，更是一套覆盖仿真训练、环境感知、智能决策与本体执行的技术体系。机器人先在仿真环境中完成场景训练和模型验证，再通过视觉感知获取真实环境信息，由具身智能模型理解任务并生成动作策略，最后由机器人本体完成执行。这套技术体系主要包括以下几个环节：

仿真训练：DexVerse™生成式仿真引擎

DexVerse™是跨维智能自主研发的生成式仿真引擎，可构建包含几何、物理和环境变化的三维场景，并生成用于机器人模型训练的合成数据，为算法验证和Sim2Real虚实迁移提供数字环境。

环境感知：DexSense视觉传感器

在现场展示的系统中，机器人通过视觉传感器获取物体位置、空间关系及环境变化等信息，为任务理解、动作规划和执行反馈提供感知输入。

智能决策：DexBrain具身智能大脑与VLA模型

DexBrain结合视觉、语言与动作模型，将环境信息和任务指令转化为机器人可执行的动作策略，支持机器人根据任务目标和现场状态完成相应操作。

本体执行：DexForce W1 Pro人形机器人

DexForce W1 Pro作为任务执行载体，搭载机械臂、灵巧手和移动底盘，可用于验证操作、移动和人机交互等任务。在实际部署中，感知、决策与运动执行还需要结合具体场景进行适配和协同。

（图片来源：跨维智能官网）

从虚拟训练到真实执行：Sim2Real 如何完成迁移

在参观过程中，跨维智能战略总监杨明玥向虹科CEO陈秋苑展示了“机器人咖啡师”。这台人形机器人可以完成咖啡制作过程中的一系列连续操作，并在执行任务时与用户进行有趣交流。

跨维智能的机器人咖啡师

这个场景也直观呈现了具身智能落地中的一个共性问题：机器人在仿真环境中训练获得的能力，如何迁移到真实设备与真实场景中？

答案是—Sim2Real虚实迁移技术。它并不是将虚拟环境中的训练结果原样复制到现实世界，而是通过仿真训练、模型部署和真机验证，持续缩小虚拟环境与真实环境之间的差异。

在跨维智能技术体系中，DexVerse™主要用于构建仿真场景并生成合成训练数据。机器人模型可以先在数字环境中完成部分训练、测试和验证，再部署至真实设备，并根据实际运行结果持续调试与优化。

这一过程通常包括三个环节：

1.构建多样化仿真场景：通过调整光照、视角、遮挡、物体位置和物理参数等条件，覆盖更多真实环境中可能出现的变化。

2.开展模型训练与算法验证：在仿真环境中进行重复训练和测试，减少部分真机数据采集、设备占用与重复调试成本。

3.完成真机部署与持续优化：将模型部署到真实机器人，并结合实际运行中的新数据、失败案例和长尾场景，继续开展迭代训练。

从行业实践来看，Sim2Real并不是单一仿真平台能够独立完成的过程，而是需要仿真建模、感知输入、模型训练、真机测试与运动控制等多个环节协同，最终形成“仿真训练—真机验证—数据反馈—持续优化”的迭代路径。

真正难的，是不断出现的长尾效应

随着机器人开始进入咖啡店、商超、工厂等真实环境，大量复杂场景不断出现。有人突然经过、物体摆放位置变化、光照改变、障碍物出现……这些长尾场景，很难依靠实验室一次次复现。

虹科CEO陈秋苑女士跟跨维还交流了长尾风险场景在实验室难模拟的问题。跨维智能指出，真实商业部署本身就是持续获取长尾数据的重要过程。机器人进入真实世界后，可以不断采集新的环境数据，再结合数字仿真平台进行持续训练，实现”部署—学习—优化“的闭环，不断提升泛化能力。

机器人面临的长尾场景

“大脑”学会以后，“小脑”如何精准执行？

跟跨维的交流主要讨论了机器人如何在仿真环境中完成训练，并通过 Sim2Real 逐步适应真实场景。但从虹科服务机器人研发与运动控制场景的经验来看，模型能力迁移到真机后，还要跨过一个关键环节：动作策略能否被运动控制系统稳定、准确地执行.

对于拥有数十甚至上百个自由度的机器人，多关节协同对通信实时性和控制精度提出了更高要求。关节指令、状态反馈和执行响应之间一旦出现时序偏差，便可能引发动作卡顿、轨迹偏移或系统振动，还会增加算法验证、问题复现和调试成本。针对这些问题，虹科EtherCAT实时通信方案可通过分布式时钟、硬件时间戳及主从站软硬件，提升多轴同步能力，降低底层通信集成难度。

无论是跨维智能的仿真训练与模型迁移，还是虹科关注的实时通信与运动执行，两者共同指向同一个目标：让机器人不仅“大脑”学会怎么做，也能在真实设备上精准执行。

随着机器人逐渐走向真实落地，运控系统的复杂度也越来越高。行业普遍面临20到100多个自由度的高精度同步控制难题，一旦同步误差过大，就容易出现动作僵硬、轨迹偏差甚至机械共振，严重影响算法验证效率。而跨维真正实现了从感知到动作的高度闭环，让’大脑’的深度学习与’小脑’的精准控制完成协同。与跨维类似，虹科EtherCAT 方案，通过分布式时钟（DC）同步，实现优于1μs的同步精度，并支持纳秒级时钟同步与微秒级控制周期，确保每一次指令与反馈都精准匹配。这能够帮助科研团队突破多关节协同控制瓶颈，更快验证复杂运动算法，加速从实验室原型走向功能样机。我们也希望，虹科EtherCAT技术，能让机器人的每一个动作更加协调、流畅。

—— 虹科CEO 陈秋苑